Présentation de l'IA et du machine learning sur Google Cloud

Overview

AI, Data Science & Cloud Certificates from Google, IBM & Meta — 40% Off

One plan covers every Professional Certificate on Coursera. 40% off Coursera Plus Annual.

Ce cours présente les fonctionnalités d'IA et de machine learning (ML) de Google Cloud, en mettant l'accent sur le développement de projets d'IA prédictive et générative. Il explore les différentes technologies, produits et outils disponibles tout au long du cycle de vie des données à l'IA, et permet aux data scientists, aux développeurs d'IA et aux ingénieurs en ML d'améliorer leur expertise grâce à des exercices interactifs.

Syllabus

Introduction

Cette leçon présente la structure du cours, qui repose sur un framework d'IA à trois couches : l'infrastructure, le développement et les solutions d'IA. Elle précise les objectifs d'apprentissage et décrit la suite complète d'outils de développement d'IA full-stack de Google.

Éléments de base de l'IA

Ce module commence par un cas d'utilisation illustrant les fonctionnalités d'IA. Il présente ensuite l'infrastructure d'IA, comme le calcul et le stockage. Il aborde également les données et produits de développement d'IA principaux sur Google Cloud. Enfin, il explique comment utiliser BigQuery ML pour créer un modèle de ML afin de faciliter la transition des données vers l'IA.

IA générative

Ce module présente l'IA générative, la dernière avancée en matière d'IA, et les kits d'outils Google Cloud pour développer des projets d'IA générative. Pour commencer, il examine les modèles de fondation. Il explique ensuite le cycle de vie du prompt à la production avec Vertex AI Studio, y compris le prompt engineering, le déploiement d'applications et le réglage de modèles. Ce module présente également les agents IA ainsi que l'ensemble complet d'outils de Google pour leur développement.

Options de développement d'IA

Ce module explore les différentes options permettant de développer un projet d'IA sur Google Cloud : les solutions prêtes à l'emploi telles que les API pré-entraînées, les solutions sans code ou nécessitant peu de code comme AutoML, ou encore les solutions basées sur du code telles que l'entraînement personnalisé. Il compare les avantages et les inconvénients de chaque option pour aider les utilisateurs à choisir les outils de développement adéquats.

Workflow de développement d'IA

Ce module présente l'intégralité d'un workflow de ML : préparation des données, développement et mise en service du modèle sur Vertex AI. Il explique également comment convertir le workflow en pipeline automatisé en utilisant Vertex AI Pipelines.